論文の概要: Dynamic Importance Learning using Fisher Information Matrix (FIM) for Nonlinear Dynamic Mapping

• arxiv url: http://arxiv.org/abs/2406.05395v2
• Date: Mon, 30 Dec 2024 07:20:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 15:59:39.484347
• Title: Dynamic Importance Learning using Fisher Information Matrix (FIM) for Nonlinear Dynamic Mapping
• Title（参考訳）: 非線形動的マッピングのための魚情報行列(FIM)を用いた動的重要度学習
• Authors: Vahid MohammadZadeh Eivaghi, Mahdi Aliyari Shoorehdeli,
• Abstract要約: 本研究はブラックボックスモデルにおける妥当性スコアを動的に決定するための方法論を提案する。 提案手法は、勾配に基づくフレームワークを用いて、分散駆動機能の重要性を明らかにする。 このアプローチの実用性は、工業的なpH中和プロセスに適用することで示される。
• 参考スコア（独自算出の注目度）: 0.2455468619225742
• License:
• Abstract: Understanding output variance is critical in modeling nonlinear dynamic systems, as it reflects the system's sensitivity to input variations and feature interactions. This work presents a methodology for dynamically determining relevance scores in black-box models while ensuring interpretability through an embedded decision module. This interpretable module, integrated into the first layer of the model, employs the Fisher Information Matrix (FIM) and logistic regression to compute relevance scores, interpreted as the probabilities of input neurons being active based on their contribution to the output variance. The proposed method leverages a gradient-based framework to uncover the importance of variance-driven features, capturing both individual contributions and complex feature interactions. These relevance scores are applied through element-wise transformations of the inputs, enabling the black-box model to prioritize features dynamically based on their impact on system output. This approach effectively bridges interpretability with the intricate modeling of nonlinear dynamics and time-dependent interactions. Simulation results demonstrate the method's ability to infer feature interactions while achieving superior performance in feature relevance compared to existing techniques. The practical utility of this approach is showcased through its application to an industrial pH neutralization process, where critical system dynamics are uncovered.
• Abstract（参考訳）: 出力分散を理解することは非線形力学系のモデリングにおいて重要であり、入力変動や特徴相互作用に対するシステムの感度を反映している。 本研究は,組込み決定モジュールによる解釈性を確保しつつ,ブラックボックスモデルの妥当性スコアを動的に決定する手法を提案する。 この解釈可能なモジュールは、モデルの第一層に統合され、Fisher Information Matrix (FIM) とロジスティック回帰を用いて、関連するスコアを計算し、入力ニューロンが出力分散への寄与に基づいて活動する確率として解釈する。 提案手法は、勾配に基づくフレームワークを用いて、分散駆動機能の重要性を明らかにし、個々のコントリビューションと複雑な機能相互作用の両方をキャプチャする。 これらの関連スコアは入力の要素ワイズ変換を通じて適用され、ブラックボックスモデルがシステム出力への影響に基づいて特徴を動的に優先順位付けすることができる。 このアプローチは、非線形力学と時間依存相互作用の複雑なモデリングと解釈可能性に効果的に橋渡しする。 シミュレーションの結果,既存の手法と比較して,特徴の相互作用を推測し,特徴の関連性に優れることを示す。 このアプローチの実用性は、産業的なpH中性化プロセスに適用することで示される。

関連論文リスト

• No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
  本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。 最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。 私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
  論文  参考訳（メタデータ） (2025-01-30T18:36:48Z)
• Identifiable Representation and Model Learning for Latent Dynamic Systems [0.0]
  本稿では,潜在力学系における表現とモデル学習の問題について検討する。 線形およびアフィン非線形潜時力学系にスパース入力行列を持つ場合、潜時変数をスケーリングまで同定できることを証明した。
  論文  参考訳（メタデータ） (2024-10-23T13:55:42Z)
• Learning Car-Following Behaviors Using Bayesian Matrix Normal Mixture Regression [17.828808886958736]
  自動車追従(CF)の挙動は, 微視的交通シミュレーションにおいて重要である。 堅牢性にもかかわらず、多くのデータ駆動方式は、解釈可能性に制限のある「ブラックボックス」として動作する。 この研究は、CFの挙動に固有の特徴相関と時間的ダイナミクスを同時にキャプチャするベイズ行列正規混合回帰(MNMR)モデルを導入する。
  論文  参考訳（メタデータ） (2024-04-24T17:55:47Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Learning Interacting Dynamical Systems with Latent Gaussian Process ODEs [13.436770170612295]
  本研究では,対話対象の連続時間力学の不確実性を考慮したモデリングを初めて行った。 我々のモデルは、独立力学と信頼性のある不確実性推定との相互作用の両方を推測する。
  論文  参考訳（メタデータ） (2022-05-24T08:36:25Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Divide and Rule: Recurrent Partitioned Network for Dynamic Processes [25.855428321990328]
  多くの動的なプロセスは、物理的システムから社会学的分析まで、相互作用する変数に関与している。 我々のゴールは、部分全体階層を持つシステムを表現し、システム内変数間の暗黙の依存関係を発見することである。 提案アーキテクチャは, (i) 複数のレベルにおける観測の階層的かつ時間的に一貫した表現を抽出する知覚モジュール, (ii) 各レベルにおけるニューロン間の関係性を決定する導出モジュール, (iii)時間分布推定を条件に未来を予測する統計的モジュールからなる。
  論文  参考訳（メタデータ） (2021-06-01T06:45:56Z)
• Meta-learning using privileged information for dynamics [66.32254395574994]
  Neural ODE Processモデルを拡張して、Learning Using Privileged Information設定内の追加情報を使用します。 シミュレーション動的タスクの精度とキャリブレーションを向上した実験により拡張性を検証する。
  論文  参考訳（メタデータ） (2021-04-29T12:18:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。